利用 Transformer 与电子健康档案预测阻塞性睡眠呼吸暂停的就诊费用

背景：随着肥胖率上升，阻塞性睡眠呼吸暂停（OSA）在许多国家日益普遍。充分有效的 OSA 治疗给医疗带来高昂的社会与经济成本。目的：出于治疗目的，预测 OSA 患者来年的就诊费用至关重要。可靠的估计使医疗决策者能够进行审慎的财务管理和预算，以有效向医院分配资源。由于仅三分之一的 OSA 患者数据可用于训练分析模型——只有随访超过 365 天的 OSA 患者才与预测一年支出相关——高质量患者数据的稀缺所带来的挑战更加严峻。方法与步骤：作者提出一种应用两个 Transformer 模型的方法，一个通过较短就诊史的数据增强输入，另一个通过同时考虑如此 enriched 的材料及随访超一年的病例来预测费用。结果：该双模型方案使得有限的 OSA 患者数据得以有效利用。相较于仅使用三分之一高质量患者数据的单 Transformer 方案，双模型方案将预测性能的 $R^{2}$ 从 88.8% 提升至 97.5%。即便使用基线模型配合模型增强的数据，也将 $R^{2}$ 从 61.6% 大幅提升至 81.9%。结论：所提方法通过细致利用那些与回答来年可能支出问题并不直接相关的细节，实现了以绝大多数可用高质量数据进行预测。